RAG
一站式解决RAG管道设计、调优与调试难题。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：RAG。 它的用途是：一站式解决RAG管道设计、调优与调试难题。 详细介绍见：https://321skill.com/skills/rag-x/ 请根据该页面的说明完成安装。
使用示例
‘我的RAG系统在换了新的嵌入模型后，检索到的文档相似度分数都变得非常接近，导致排序失效，该怎么办？’ 它会引导你分析分数塌缩的可能原因，例如模型输出归一化问题或维度坍缩，并提供解决方案，如检查模型输出分布、尝试不同的相似度计算方式，或考虑使用交叉编码器进行重排序。
介绍
该技能专注于检索增强生成（RAG）系统的全流程优化与问题排查。当你的RAG应用出现检索错误、幻觉、性能瓶颈或安全顾虑时，它提供了从数据预处理到结果生成的一系列解决方案。
它通过分析问题现象，指导你调整分块策略、选择嵌入模型、配置混合检索与重排序器，并确保答案的准确性与可追溯性。无论是处理PDF、表格等复杂文档，还是应对成本、延迟或数据隔离等工程挑战，都能提供针对性建议。
适合需要构建、优化或维护RAG系统的开发者、算法工程师和技术负责人。无论是从零搭建还是对现有系统进行深度调优，都能从中获得专业指导。
使用前，请明确你的具体问题场景（如“检索不到已索引文档”或“回答忽略上下文事实”），以便获得最精准的解决方案。注意，它不涉及分块器内部实现、评估量规细节或特定框架（如LangChain）的API使用。
核心特点
专注于RAG管道全链路的工程实践与问题诊断，覆盖从数据索引、检索策略到答案生成与安全合规的完整闭环，而非仅提供单一组件（如向量数据库）的使用方法。它直接针对数十种具体的故障场景（如分数塌缩、元数据过滤失效）提供解决方案，具有极强的实操性和问题导向性。
注意事项
不适用于需要深入修改分块算法内部、设计评估评分标准或学习特定框架（如LangChain）API用法的场景。
常见问题
RAG系统总是返回不相关的段落怎么办？
可以检查并调整分块大小、尝试不同的嵌入模型，或引入混合检索与重排序策略来提升相关性。
如何降低RAG查询的延迟和成本？
可通过优化索引结构、选择合适的向量数据库、实施缓存策略以及评估不同重排序模型的性价比来达成目标。